一区通行证：强化学习+多目标优化！新作性能狂提154%！

本文链接：https://blog.csdn.net/2401_82426425/article/details/145690058

强化学习+多目标优化，是热度不断飙升的方向，且自带创新基因！

多目标优化的引入，为强化学习提供了新研究方向和应用场景；强化学习则为多目标优化，提供了新的解决思路和方法。具体点说，以往强化学习只关注单一目标的优化，限制了在实际中的运用，而多目标优化的策略也比较有限。当两者结合，便能给我们的论文创新提供诸多机会，比如结合智能交通、医疗健康、金融等领域的数据集，进行微创新，就能发文。

此外，这两者结合，在提升模型解决复杂问题时的性能和效率方面，优势显著！比如模型MOAVOA-MADDPG，便通过该方法，在电网资源规划任务中性能狂提154％！

目前热门的思路有：深度强化学习+多目标优化、自适应权重调整、拓展应用领域……为方便大家研究的进行，我给大家准备了11篇必读论文和源码！

论文原文+开源代码需要的同学看文末

Reducing idleness in financial cloud services via multi-objective evolutionary reinforcement learning based load balancer

内容：本文提出了一种基于多目标进化强化学习的负载均衡器（MERL-LB），旨在减少金融云服务中的服务器空闲时间，同时保持负载均衡。研究针对金融场景中用户连接不能被强制断开的特点，设计了一个可扩展的神经网络策略，通过预测用户连接时长并优化服务器资源分配，实现了在不中断用户连接的情况下显著降低服务器空闲时间（相比传统方法降低超过130%），同时提升了负载均衡性能。实验通过模拟真实金融数据服务场景，验证了该方法在不同负载和服务器数量下的稳定性和有效性，并观察到其决策策略呈现锯齿波模式，为未来设计新型启发式算法提供了思路。

Constrained Multi-objective Optimization with Deep Reinforcement Learning Assisted Operator Selection

内容：本文提出了一种基于深度强化学习（DRL）辅助的算子选择框架，用于解决约束多目标优化问题（CMOPs）。该框架通过将种群的动态特性（包括收敛性、多样性和可行性）视为状态，候选算子视为动作，种群状态的改进视为奖励，利用深度Q网络（DQN）学习策略以自适应选择最优算子。该方法被嵌入到四种流行的约束多目标进化算法（CMOEAs）中，并在42个基准问题上进行评估。实验结果表明，DRL辅助的算子选择显著提升了CMOEAs的性能，并在与九种最先进的CMOEAs的比较中展现出更好的通用性。

MORL4PDEs: Data-driven discovery of PDEs based on multi-objective optimization and reinforcement learning

内容：本文提出了一种名为MORL4PDEs的新方法，用于数据驱动的偏微分方程（PDE）发现。该方法结合了多目标优化和强化学习，通过符号回归从数据中直接发现简约的PDE，无需预先建立候选函数库。具体而言，该方法利用神经网络生成二叉树的前序遍历序列以获得PDE表达式，并将其作为多目标遗传算法的初始种群，以确保方程的准确性和简洁性。同时，通过强化学习优化神经网络，以PDE的最终表达式作为奖励。实验结果表明，该方法能够有效识别不同动态系统中的控制方程，包括复杂形式和高阶导数的PDE。

Personalized robotic control via constrained multi-objective reinforcement learning

内容：本文提出了一种基于约束多目标强化学习（CMORL）的个性化机器人控制方法。该方法通过约束多目标马尔可夫决策过程（CMOMDP）框架，结合非线性约束设计，使机器人能够根据用户指定的偏好学习最优控制策略。此外，文章还设计了一个基于超体积和香农-维纳多样性指数的综合指标，用于衡量学习到的控制策略的收敛性、多样性和均匀性。实验结果表明，该方法在九个多目标端到端机器人控制任务中表现出色，能够生成更多样化的帕累托最优控制策略。